उत्तरप्रकाशित2 माह पहलेLast edited 2 माह पहले22 स्रोत

साइबर हमलों में AI का बढ़ता दखल: AI-जनित मैलवेयर से LLM संचालित घुसपैठ तक

AI पारंपरिक साइबर हमलों की जगह नहीं ले रहा, बल्कि उन्हें तेज, सस्ता और अधिक अनुकूल बना रहा है। FunkSec और 2025 के RevengeHotels अभियान में AI सहायता से मैलवेयर विकास के संकेत मिले, जबकि LameHug ने हमले के दौरान LLM से कमांड बनवाईं। जनवरी से अप्रैल 2026 के बीच लोकप्रिय AI सेवाओं के रूप में छिपे 33,300 से अधिक हमले छो...

प्रकाशितकर्ताGPT-5.6 Luna से संपादितGPT Image 1.5 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

AI पारंपरिक साइबर हमलों की जगह नहीं ले रहा, बल्कि उन्हें तेज, सस्ता और अधिक अनुकूल बना रहा है।
FunkSec और 2025 के RevengeHotels अभियान में AI सहायता से मैलवेयर विकास के संकेत मिले, जबकि LameHug ने हमले के दौरान LLM से कमांड बनवाईं।
जनवरी से अप्रैल 2026 के बीच लोकप्रिय AI सेवाओं के रूप में छिपे 33,300 से अधिक हमले छोटे और मध्यम व्यवसायों के खिलाफ दर्ज किए गए—2025 की समान अवधि से लगभग पांच गुना अधिक।
रक्षा के लिए स्थिर मैलवेयर सिग्नेचर के साथ साथ संदिग्ध स्क्रिप्टिंग, LLM/API ट्रैफिक, क्रेडेंशियल चोरी और डेटा स्टेजिंग जैसे व्यवहारों की निगरानी जरूरी है।

Abstract editorial illustration of artificial intelligence integrated into a cyberattack network — How is artificial intelligence becoming deeply embedded in cyberattacks, according to Kaspersky and other cybersecurity researchers, and whaAI-generated editorial illustration of AI-assisted cyberattacks.
AI संकेत
Create a landscape editorial hero image for this Studio Global article: How is artificial intelligence becoming deeply embedded in cyberattacks, according to Kaspersky and other cybersecurity researchers, and wha. Article summary: AI is becoming an operational layer across the attack chain: it helps criminals write and revise code, tailor phishing, automate reconnaissance, and vary payloads at machine speed. The clearest current evidence supports . Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
openai.com

कृत्रिम बुद्धिमत्ता अब साइबर हमलों की पूरी प्रक्रिया में एक ऑपरेशनल लेयर बनती जा रही है। हमलावर बड़े भाषा मॉडल (LLM) की मदद से मैलवेयर के हिस्से लिख सकते हैं, फ़िशिंग संदेशों को अलग-अलग भाषाओं और लक्ष्यों के लिए ढाल सकते हैं, स्क्रिप्ट में आई गड़बड़ियां ठीक कर सकते हैं और कम समय में कई नए संस्करण तैयार कर सकते हैं।

लेकिन उपलब्ध प्रमाणों से सबसे सटीक निष्कर्ष यह निकलता है कि AI अभी हर हमले को स्वायत्त नहीं बना रहा। वह मुख्य रूप से पुराने तरीकों—जैसे फ़िशिंग, दुर्भावनापूर्ण स्क्रिप्ट, रिमोट-एक्सेस ट्रोजन और डेटा चोरी—को तेज और अधिक अनुकूल बना रहा है।

सबसे बड़ा बदलाव: हमला तैयार करने का समय घट रहा है

अधिकांश साइबर घुसपैठ आज भी पहचानी जा सकने वाली तकनीकों पर निर्भर करती हैं। फर्क यह है कि AI इन तकनीकों को विकसित करने में लगने वाला समय, विशेषज्ञता और लागत कम कर देता है।

हमलावर LLM से शुरुआती स्क्रिप्ट बनवा सकता है, फ़िशिंग संदेश को स्थानीय भाषा या किसी खास उद्योग के अनुरूप कर सकता है, परीक्षण के बाद कोड में बदलाव कर सकता है और अलग-अलग लक्ष्यों के लिए कई संस्करण तैयार कर सकता है। इससे प्रयोग करना सस्ता होता है और अभियान की योजना से तैनाती तक का अंतर कम हो सकता है।

नतीजा यह है कि विश्वसनीय दिखने वाले हमलों की संभावित संख्या बढ़ती है और सुरक्षा टीमों के पास प्रतिक्रिया देने का समय घटता है। हालांकि, हर AI-थीम वाले लालच को “AI हमला” कहना प्रमाणों को बढ़ा-चढ़ाकर पेश करना होगा। AI की भूमिका अलग-अलग मामलों में कोड सहायता से लेकर हमले के दौरान कमांड तैयार करने तक हो सकती है।

FunkSec: AI-सहायता से मैलवेयर तैयार करने का उदाहरण

Kaspersky की FunkSec पर की गई रिसर्च AI-सहायता प्राप्त मैलवेयर निर्माण का एक उदाहरण देती है। Rust पर आधारित यह रैनसमवेयर एक ही executable में एन्क्रिप्शन, स्थानीय डेटा चोरी और अपने निशान मिटाने की क्षमता जोड़ता है। Kaspersky ने इससे जुड़ी क्षमताओं में पासवर्ड जनरेटर और एक बेसिक DDoS टूल के कोड में बड़े भाषा मॉडल से संश्लेषण के संकेत भी बताए। 28 39

इसका अर्थ यह नहीं है कि किसी LLM ने स्वतंत्र रूप से पूरा अभियान डिजाइन, तैनात और संचालित किया। प्रमाण यह दिखाते हैं कि जनरेटिव AI उपयोगी मैलवेयर घटक बनाने में योगदान दे सकता है। इससे हमलावर कम मैनुअल विकास के साथ अधिक समेकित टूलकिट तैयार कर सकते हैं।

RevengeHotels: पारंपरिक फ़िशिंग श्रृंखला को AI का सहारा

2025 का RevengeHotels अभियान बताता है कि AI किसी स्थापित घुसपैठ पद्धति को मजबूत कर सकता है, उसे पूरी तरह बदलना जरूरी नहीं है। Kaspersky ने ब्राज़ील और स्पेनिश-भाषी बाजारों में होटलों को निशाना बनाने वाले हमले देखे। इनमें ईमेल को आरक्षण अनुरोध, इनवॉइस या नौकरी के आवेदन के रूप में पेश किया गया। पीड़ितों को दस्तावेज़-संग्रह सेवाओं जैसी दिखने वाली वेबसाइटों पर भेजा गया, जहां से स्क्रिप्ट के जरिए VenomRAT जैसे रिमोट-एक्सेस ट्रोजन पहुंचाए गए। 30 31 36

Kaspersky के अनुसार, शुरुआती infector और downloader कोड का बड़ा हिस्सा बड़े भाषा मॉडल आधारित एजेंटों से तैयार किया गया प्रतीत होता है। 28 फिर भी अभियान की बुनियाद पारंपरिक सोशल इंजीनियरिंग, स्क्रिप्ट निष्पादन और RAT डिलीवरी पर ही टिकी थी। AI ने संक्रमण श्रृंखला के कुछ हिस्सों को जल्दी बनाने और अलग-अलग रूप देने में मदद की, जिससे ऑपरेटर विभिन्न क्षेत्रों और लक्ष्यों के लिए तेजी से बदलाव कर सके।

यही कारण है कि बिना संदर्भ के “AI-powered” कहना भ्रामक हो सकता है। इस मामले में AI-सहायता प्राप्त कोड निर्माण एक पारंपरिक फ़िशिंग अभियान के भीतर इस्तेमाल किया गया था।

LameHug: जब LLM हमले के दौरान कमांड बनाता है

उपलब्ध प्रमाणों में सबसे महत्वपूर्ण तकनीकी बदलाव LameHug है, जिसे कुछ रिपोर्टों में PROMPTSTEAL भी कहा गया है। यह केवल AI की मदद से लिखा गया मैलवेयर नहीं था; इसने execution के दौरान LLM का इस्तेमाल किया।

CERT-UA की रिपोर्ट पर आधारित विश्लेषणों के अनुसार, LameHug ने Hugging Face API से संपर्क किया और Alibaba Cloud के Qwen2.5-Coder-32B-Instruct मॉडल का इस्तेमाल करके Windows कमांड गतिशील रूप से तैयार कीं। इन कमांडों से सिस्टम की जानकारी जुटाई जा सकती थी और चोरी के लिए Office दस्तावेज़ खोजे जा सकते थे। 2 3 7

इस runtime मॉडल से मैलवेयर के व्यवहार में तीन अहम बदलाव आते हैं:

कमांड क्रम पहले से पूरी तरह तय होना जरूरी नहीं रहता। मैलवेयर अपने निर्देश और सामने आए सिस्टम के आधार पर नई कमांड मांग सकता है।
हमला सामान्य सिस्टम यूटिलिटी का इस्तेमाल कर सकता है। इसलिए पहचान केवल किसी खास standalone payload पर निर्भर नहीं रह सकती; कमांड के व्यवहार और क्रम को भी देखना होगा। 4
मैलवेयर बाहरी सेवा पर निर्भर हो जाता है। संक्रमित सिस्टम से भाषा-मॉडल API को होने वाले असामान्य outbound अनुरोध सुरक्षा टीमों के लिए उपयोगी संकेत बन सकते हैं।

LameHug यह साबित नहीं करता कि मैलवेयर पूरी तरह स्वायत्त हो गया है। यह दिखाता है कि हमलावर LLM को ऑपरेशनल लूप के भीतर रख सकता है, ताकि मॉडल वास्तविक समय में reconnaissance और डेटा-संग्रह से जुड़ी कार्रवाइयों के लिए कमांड बनाने में मदद करे।

AI के नाम का इस्तेमाल करके भी बढ़ रहा है हमला

AI खुद हमले का औजार ही नहीं, लालच भी बन रहा है। जनवरी से अप्रैल 2026 के बीच Kaspersky समाधानों ने छोटे और मध्यम व्यवसायों के खिलाफ 33,300 से अधिक ऐसे हमले दर्ज किए, जिनमें दुर्भावनापूर्ण या अवांछित PC सॉफ्टवेयर को लोकप्रिय AI सेवाओं के रूप में छिपाया गया था। Kaspersky ने बताया कि यह संख्या 2025 की समान अवधि की तुलना में लगभग पांच गुना थी। 50 51

इन आंकड़ों में AI सेवाओं का रूप धारण करने वाले सॉफ्टवेयर की पहचान शामिल है। इससे यह साबित नहीं होता कि हर payload AI से बनाया गया था या हर हमला किसी AI सिस्टम ने संचालित किया। अधिक ठोस निष्कर्ष यह है कि हमलावर लोकप्रिय AI ब्रांडों पर भरोसे और कारोबारों में AI टूल्स के तेजी से बढ़ते इस्तेमाल का फायदा उठा रहे हैं।

कर्मचारियों के लिए जोखिम सीधा है: नकली image generator, chatbot client या productivity assistant मैलवेयर पहुंचाने का माध्यम बन सकता है। इसलिए सॉफ्टवेयर इंस्टॉलेशन नीतियां, सत्यापित डाउनलोड स्रोत और मजबूत endpoint controls आज भी उतने ही जरूरी हैं—भले ही लालच किसी लोकप्रिय AI उत्पाद के रूप में सामने आए।

आंकड़े क्या बताते हैं—और क्या नहीं बताते

Kaspersky के क्षेत्रीय टेलीमेट्री आंकड़े बताते हैं कि वेब आधारित खतरे व्यापक हैं, लेकिन इन्हें AI-संचालित हमलों की गिनती नहीं माना जाना चाहिए। 2026 की पहली छमाही में Kaspersky ने कहा कि उसके सिस्टम ने दक्षिण अफ्रीका में ऑनलाइन संसाधनों से आने वाले 57 लाख, केन्या में 45 लाख और नाइजीरिया में 16 लाख हमले रोके। रिपोर्ट किए गए META क्षेत्रीय डेटा में वेब-आधारित खतरों से प्रभावित उपयोगकर्ताओं का सबसे बड़ा हिस्सा Türkiye में 22.8% था। 14

इन मापों में वेबसाइट, ईमेल और वेब सेवाओं के जरिए पहुंचने वाले खतरे शामिल हैं। वे ऑनलाइन हमलों के व्यापक जोखिम को दिखाते हैं, AI के कारण हुए हमलों को नहीं। इस अंतर को स्पष्ट रखना जरूरी है, ताकि सामान्य साइबर खतरे के आंकड़ों को स्वायत्त या AI-जनित अभियानों का प्रमाण न समझ लिया जाए।

स्वायत्तता से ज्यादा महत्वपूर्ण है तेज अनुकूलन

तत्काल खतरा किसी अचानक उभरती “स्वायत्त साइबर सेना” का होना जरूरी नहीं है। असली जोखिम हमले की हर कड़ी में मिलने वाली छोटी-छोटी दक्षताओं के जुड़ने से पैदा होता है:

कोड तेजी से लिखा और संशोधित किया जा सकता है;
फ़िशिंग संदेशों को अलग-अलग भाषाओं, उद्योगों और बहानों के अनुसार ढाला जा सकता है;
स्क्रिप्ट को जल्दी debug और repack किया जा सकता है;
अलग-अलग सिस्टम वातावरण के लिए मैलवेयर का व्यवहार बदला जा सकता है;
reconnaissance और डेटा-संग्रह को runtime पर समायोजित किया जा सकता है।

इन सभी बदलावों से घुसपैठ की लागत घट सकती है और हमलावरों के लिए अधिक प्रयोग चलाना आसान हो सकता है। इससे कम अनुभवी ऑपरेटर भी उन तकनीकों की नकल कर सकते हैं, जिनके लिए पहले विशेषज्ञ ज्ञान जरूरी था।

सीमित सुरक्षा स्टाफ, संवेदनशील डेटा की बड़ी मात्रा या जटिल third-party environments वाले संगठनों के लिए यह जोखिम विशेष रूप से गंभीर है। हालांकि, critical infrastructure पर हमलों के दावों के लिए समझौते, प्रभाव और AI की भूमिका—तीनों के बारे में विशिष्ट प्रमाण जरूरी हैं। केवल हमलावर का दावा इनमें से किसी तथ्य की पुष्टि नहीं करता।

संगठनों के लिए सुरक्षा की प्राथमिकताएं

इन उदाहरणों से layered और behavior-focused सुरक्षा रणनीति की जरूरत सामने आती है। संगठनों को signatures और ज्ञात indicators को ब्लॉक करना जारी रखना चाहिए, लेकिन साथ ही ऐसे व्यवहारों की भी निगरानी करनी चाहिए जो AI-सहायता प्राप्त या runtime पर बदलने वाले हमलों का संकेत दे सकें।

उपयोगी संकेतों में शामिल हैं:

Python या PyInstaller प्रक्रियाओं से language-model सेवाओं को होने वाले अप्रत्याशित outbound अनुरोध;
ऐसे endpoints से base64-encoded prompts या असामान्य API calls, जो सामान्यतः developer या AI सेवाओं का इस्तेमाल नहीं करते;
systeminfo, tasklist, dsquery या recursive file searches जैसी utilities को जोड़ने वाली संदिग्ध command chains;
JavaScript, PowerShell या अन्य interpreters के जरिए संदिग्ध scripting;
असामान्य credential access, document staging या outbound transfers;
कर्मचारियों द्वारा बिना अनुमति AI applications या browser tools इंस्टॉल करना।

Splunk की LameHug detection guidance विशेष रूप से ऐसे Python या PyInstaller activity पर ध्यान देने को कहती है, जो Hugging Face API से जुड़कर Qwen मॉडल का इस्तेमाल करती है। 4 यह दिखाता है कि सुरक्षा टीमें किसी fixed malware signature की प्रतीक्षा करने के बजाय LLM-enabled हमले के आसपास के व्यवहार को पहचान सकती हैं।

निष्कर्ष

AI साइबर हमलों में गहराई से इसलिए शामिल हो रहा है क्योंकि वह मौजूदा ऑपरेशनों को बनाना, व्यक्तिगत बनाना और बदलना आसान करता है। FunkSec और RevengeHotels AI-सहायता प्राप्त मैलवेयर विकास के उदाहरण हैं; LameHug दिखाता है कि हमले के दौरान LLM से संपर्क कर कमांड तैयार कराई जा सकती हैं; और Kaspersky के SMB आंकड़े बताते हैं कि AI की लोकप्रियता को खुद एक लालच के रूप में इस्तेमाल किया जा रहा है। 28 31 51

इसलिए सबसे सटीक निष्कर्ष यह नहीं है कि “AI ने पारंपरिक हैकिंग की जगह ले ली है।” सही तस्वीर यह है कि AI फ़िशिंग, मैलवेयर विकास, reconnaissance और डेटा चोरी के बीच एक दक्षता और अनुकूलन परत बन रहा है। संगठनों को तेज iteration और अधिक विविध हमलों के लिए तैयार रहना होगा—साथ ही सत्यापित AI भागीदारी और केवल AI ब्रांडिंग में लिपटे सामान्य साइबर अपराध के बीच अंतर भी बनाए रखना होगा।

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं